Max-Miner算法

最新推荐文章于 2024-09-01 12:54:53 发布
最新推荐文章于 2024-09-01 12:54:53 发布
阅读量2k 收藏
点赞数 2
分类专栏： 数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u014473918/article/details/79327162
版权
本文详细介绍了Max-Miner算法，旨在挖掘极大频繁项集。通过枚举树的数据结构，解释了如何对数据集进行划分，并遵循Apriori原则进行剪枝。挖掘过程中，利用流程图展示了关键步骤，确保效率。参考了Bayardo R J在1998年ACM SIGMOD会议上的相关研究。
摘要由CSDN通过智能技术生成

  按照我的理解来讲一讲Max-Miner算法。

  Max-Miner算法的目的是挖掘极大频繁项集。在算法中有一个重要的数据结构：枚举树，树的结构如图1所示，它对数据集作划分。

                 

  图1 Max-Miner算法中的树结构

  接下来我们来分析它是如何对数据集进行划分的。

  以根节点为例，它的对于根节点而言，它的前缀是空集，后缀是(ABCD)。（为了方便，我们记作节点g，前缀称为h(g),后缀为t（g））

  接下来，分别以t(g)中的项为前缀，加上原本的

最低0.47元/天 解锁文章
MAX-MINER 频繁模式挖掘 Apriori算法
hitljs的专栏
03-30 2316
这几天小白让我做一个max-miner 最大项集的挖掘，一般的算法有apriori和FP-TREE 考虑到用FP-TREE 可能有点复杂就用apriori算法先测试下，在小样本测试的时候速度非常快，当对一个5W行的文本测试效率变得不可承受了，因此对算法进行了分析，假设每行有100个单词当用apriori算法对3-候选集进行count的时候每一个候选集需要： 5W * 100*3 = 1500W
Apriori、MaxMiner、CLOSET算法的python实现
chunjing6629的博客
02-25 1459
Apriori算法： def loadData(): return [[1,2,5], [2,4], [2,3], [1,2,4], [1,3], [2,3], [1,3], [1,2,3,5], [1,2,3]] def find_frequent_1_itemsets(D, minsupport): L1 = [] C1 = [] cnt = {} ...
max-miner 极大模式挖掘的ppv-al完整代码
08-25
max-miner 极大模式数据挖掘的ppv-al完整算法
MAX-MINER算法项目实战：最大频繁项集挖掘
最新发布
weixin_36296444的博客
09-01 949
本文还有配套的精品资源，点击获取 简介：MAX-MINER算法是关联规则学习中用于挖掘数据集中最大频繁项集的技术，是Apriori算法的变种。文章详细介绍了MAX-MINER算法原理，包括候选集生成、支持度计算、剪枝策略和最大性检查，并提供了在Python环境下通过Pandas库实现该算法的框架。MAX-MINER算法在多个领域的应用能够有效提升数据挖掘效率，为商业决策提供...
寻找最大K项频繁集的Aprior算法
Jasminexjf的博客
08-09 4011
Date: 2019-8-9 Apriori算法是常用的用于挖掘出数据关联规则的算法，它用来找出数据值中频繁出现的数据集合，找出这些集合的模式有助于我们做一些决策。比如在常见的超市购物数据集，或者电商的网购数据集中，如果我们找到了频繁出现的数据集，那么对于超市，我们可以优化产品的位置摆放，对于电商，我们可以优化商品所在的仓库位置，达到节约成本，增加经济效益的目的。下面我们就对Apriori算法做...
数据挖掘中的模式发现（一）频繁项集、频繁闭项集、最大频繁项集
热门推荐
Mr.Phoebe的专栏
01-26 4万+
Frequent Itemset(频繁项集)称I={i1,i2,...,im}I=\{i_1, i_2, ..., i_m\}为项(Item)的集合，D={T1,T2,...,Tn}D=\{T_1, T_2, ...,T_n\}，i∈[1,n]i∈[1,n]为事务数据集(Transaction Data Itemsets)，事务TiT_i由II中若干项组成。设SS为由项组成的一个集合，S={i|i∈
max-miner.zip_MAX-MINER算法
09-20
其中，Apriori算法是经典的挖掘频繁项集的方法，而MAX-MINER算法是Apriori的一个变种，主要目标是寻找最大的频繁项集。本篇文章将详细介绍MAX-MINER算法及其在Python环境下的实现。 **一、最大频繁项集的概念** ...
掌握MAX-MINER算法：高效挖掘最大频繁项集
资源摘要信息: "MAX-MINER算法是一个专门用于从数据集中挖掘最大频繁项集的算法。MAX-MINER算法是基于Apriori算法的一类改进算法，旨在解决Apriori算法在实际应用中的一些不足，特别是在大规模数据集上的效率问题。...
【大数据】六、频繁项集与关联规则（频繁项集、关联规则、A-Priori、PCY）
ywm_up
07-09 1万+
文章目录1 定义1.1 频繁项集1.2 关联规则2 A-Priori 算法2.1 例题3 更大数据集在内存中的处理3.1 PCY 算法3.2 多阶段算法3.3 多哈希算法4 有限扫描算法4.1 随机化算法4.2 SON 算法4.3 Toivonen 算法5. 流中频繁项计数 1 定义 1.1 频繁项集 支持度是项出现的次数 支持度是频繁项集的阈值 假定有个支持度闾值(support threshold) s 。如果I是一个项集， I的支持度(support) 是指包含I (即I是购物篮中项集的子集）的购
【Maxent】最大熵的数学原理及其在推断问题中的应用
wong2016的博客
06-21 446
Maxent数学原理及应用实例
fpmax算法的论文
09-18
描述fpmax最大频繁项集挖掘的权威论文，可以看一下实现方法，全英文
数据挖掘之Apriori频繁项集挖掘
weixin_41050939的博客
05-18 3771
本文的代码文件原件可以在我们的 "数据臭皮匠" 中输入"第六章1" 拿到 1.基本概念介绍 频繁项集和关联规则的挖掘首先需要了解一些概念, 如支持度, 置信度, 事务,事务集,项,项集, 频繁项集等, 首先介绍下基本的概念定义(以下为笔者的简单化理解, 更严谨的定义请参考书中内容): 首先假设我们有一个由多行多列组成的表格 事务: 可以将事务简单理解为表格的其中一行 事务集:一个表格会有多行, 这个包括多个事务的集合就叫事务集 项:表格中每一行会包括多个值, 每一个值就是一个项 项集:多个项组
关联分析（一）：频繁项集及规则产生
huguozhiengr的博客
09-28 3万+
关联分析用于发现隐藏在大型数据集中有意义的联系，属于模式挖掘分析方法，其为人熟知的经典应用当属沃尔玛超市里“啤酒与尿布”的关系挖掘了。关联分析的应用领域非常多，当数据集类型比较复杂时，进行关联分析采用的手段也相对复杂，本篇从最简单的事务数据集着手，对关联分析进行解读。对大型事务数据集进行关联分析时，有两个问题要考虑： 发现关联模式时耗费的计算量 发现的关联模式是否可信 关联分析...
NLP学习记录（六）最大熵模型MaxEnt
丁小飞的博客
06-26 4888
原理 在叧掌握关于未知分布的部分信息的情况下，符合已知知识的概率分布可能有夗个，但使熵值最大的概率分布最真实地反映了事件的的分布情况，因为熵定义了随机变量的不确定性，弼熵值最大时，随机变量最不确定，最难预测其行为。 最大熵模型介绍 我们通过一个简单的例子来介绍最大熵概念。假设我们模拟一个翻译专家的决策过程，关于英文单词in到法语单词的翻译。我们的翻译决策模型p给每一个单词或短语分配一...
频繁项集的产生及经典算法
heima201907的博客
12-09 5205
前言： 　　关联规则是数据挖掘中最活跃的研究方法之一， 是指搜索业务系统中的所有细节或事务，找出所有能把一 组事件或数据项与另一组事件或数据项联系起来的规则，以获 得存在于数据库中的不为人知的或不能确定的信息，它侧重于确 定数据中不同领域之间的联系，也是在无指导学习系统中挖掘本地模式的最普通形式。 　　一般来说，关联规则挖掘是指从一个大型的数据集（Dataset）发现有趣的关 联（Associ...
【过程挖掘算法4】Alpha Miner及其系列算法
qq_40420514的博客
04-23 4570
Alpha算法是最早应用于过程挖掘的过程发现算法，在2002年被过程挖掘之父Wil van der Aalst提出，后续并被很多研究学者所完善，提出了一系列的扩展alpha算法，比如alpha+、Tsinghua-alpha、alpha++、alpha#、alpha$和alpha*。接下来，我们将详细地介绍这一系列算法。 1.背景介绍 在过去的十年（上世纪90年代）中，工作流管理的概念和技术已经应用于许多企业信息系统中。Staffware、IBM MQSeries、COSA等工作流管理系统为结构化业.
基于用户的推荐算法和基于商品的推荐算法
u014473918的博客
03-31 3万+
基于用户的协同过滤    如图1所示，在推荐系统中，用m×n的打分矩阵表示用户对物品的喜好情况，一般用打分来表示用户对商品的喜好程度，分数越高表示该用户对这个商品越感兴趣，而数值为空表示不了解或是没有买过这个商品。 图1 用于个性化推荐系统的打分矩阵    如图2所示，基于用户的协同过滤推荐算法是指找到与待推荐商品的用户u兴趣爱好最为相似的K个用户，根据他们的兴趣爱好将他们喜欢的商品视为用户u可能...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值